MiniMax H3、動画編集ランキングでオープンモデル初の首位に

MiniMaxは、ビデオモデルH3の重みを公開しました。これは、オープンモデルがビデオランキングで首位を獲得した初めての事例です。Artificial Analysisでは、H3はビデオ編集で1位、テキストからビデオ生成で2位、画像からビデオ生成で3位となっています。330億パラメータのこのモデルは、テキスト、画像、ビデオ、オーディオを統合的に処理し、ステレオサウンド付きの4秒から15秒のクリップを生成します。モデルカードによると、1プロンプトあたり最大9枚の参照画像、3つのビデオクリップ、3つのオーディオクリップを処理できます。ただし、2K解像度用のモジュールと、プロンプトと参照素材を構造化された中間形式に変換するH3-Context-IRの2つのコンポーネントはクローズドのままです。ComfyUIでローカルに使用すると、出力は768pになりますが、コンテキスト処理は公開されているプロンプトガイドに従って再現できます。オープンな重みにより、例えば自社の映像やキャラクター、一貫したルックを用いたファインチューニングも可能ですが、ライセンスでは、商業利用は売上高が2000万ドル未満の企業にのみ許可されています。同時に、ByteDanceはクローズドモデルのSeedance 2.5をリリースしました。こちらはオーディオ付きの30秒クリップを生成します。